論文の概要: RRWNet: Recursive Refinement Network for Effective Retinal Artery/Vein Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2402.03166v4
• Date: Thu, 8 Aug 2024 13:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-09 20:38:04.122342
• Title: RRWNet: Recursive Refinement Network for Effective Retinal Artery/Vein Segmentation and Classification
• Title（参考訳）: RRWNet: 効率的な網膜動脈/静脈の分別と分類のための再帰的リファインメントネットワーク
• Authors: José Morano, Guilherme Aresta, Hrvoje Bogunović,
• Abstract要約: 網膜血管の徹底的な解析は、血管の分画と動脈と静脈への分類を必要とする。 本稿では,この制限に対処する新しいエンドツーエンドディープラーニングフレームワークRRWNetを紹介する。 特にRRWNetは、入力画像からベースセグメンテーションマップを生成するBaseサブネットワークと、これらのマップを反復的に改善するRecursive Refinementサブネットワークである。
• 参考スコア（独自算出の注目度）: 0.8386558353546658
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The caliber and configuration of retinal blood vessels serve as important biomarkers for various diseases and medical conditions. A thorough analysis of the retinal vasculature requires the segmentation of the blood vessels and their classification into arteries and veins, typically performed on color fundus images obtained by retinography. However, manually performing these tasks is labor-intensive and prone to human error. While several automated methods have been proposed to address this task, the current state of art faces challenges due to manifest classification errors affecting the topological consistency of segmentation maps. In this work, we introduce RRWNet, a novel end-to-end deep learning framework that addresses this limitation. The framework consists of a fully convolutional neural network that recursively refines semantic segmentation maps, correcting manifest classification errors and thus improving topological consistency. In particular, RRWNet is composed of two specialized subnetworks: a Base subnetwork that generates base segmentation maps from the input images, and a Recursive Refinement subnetwork that iteratively and recursively improves these maps. Evaluation on three different public datasets demonstrates the state-of-the-art performance of the proposed method, yielding more topologically consistent segmentation maps with fewer manifest classification errors than existing approaches. In addition, the Recursive Refinement module within RRWNet proves effective in post-processing segmentation maps from other methods, further demonstrating its potential. The model code, weights, and predictions will be publicly available at https://github.com/j-morano/rrwnet.
• Abstract（参考訳）: 網膜血管の校正と構成は、様々な疾患や医学的状態において重要なバイオマーカーとなる。 網膜血管の徹底的な解析では、血管の分画と血管と静脈に分類する必要がある。 しかしながら、これらのタスクを手動で実行することは労働集約的であり、ヒューマンエラーを起こしやすい。 この課題に対処するためにいくつかの自動化手法が提案されているが、現在の技術状況は、セグメンテーションマップのトポロジ的一貫性に影響を及ぼす分類誤差の顕在化による課題に直面している。 本稿では,この制限に対処する新しいエンドツーエンドディープラーニングフレームワークであるRRWNetを紹介する。 このフレームワークは、セマンティックセグメンテーションマップを再帰的に洗練し、明確な分類エラーを修正し、トポロジ的一貫性を向上させる完全な畳み込みニューラルネットワークで構成されている。 特にRRWNetは、入力画像からベースセグメンテーションマップを生成するBaseサブネットワークと、これらのマップを反復的に再帰的に改善するRecursive Refinementサブネットワークの2つの特別なサブネットワークで構成されている。 3つの異なる公開データセットの評価は,提案手法の最先端性能を実証し,既存の手法よりも顕著な分類誤差が少なく,より位相的に一貫したセグメンテーションマップが得られることを示した。 さらに、RRWNet内のRecursive Refinementモジュールは、他のメソッドからのセグメンテーションマップの処理後処理に有効であることを証明し、その可能性を示す。 モデルコード、重み、予測はhttps://github.com/j-morano/rrwnet.comで公開される。

関連論文リスト

• The Topology-Overlap Trade-Off in Retinal Arteriole-Venule Segmentation [0.0]
  畳み込みニューラルネットワークは 予測と専門家のアノテーションの 高い重複を達成できる オーバーラップの観点から,本モデルが最先端技術と同等の結果を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-31T13:01:05Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
  本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。 ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。 その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T17:20:23Z)
• Topology-Preserving Segmentation Network: A Deep Learning Segmentation Framework for Connected Component [7.95119530218428]
  医用画像では、腎臓や肺などの構造のトポロジーが通常知られている。 イットトポロジ保存セグメンテーションネットワーク(TPSN)をトレーニングし、正確なセグメンテーション結果を与える。 TPSNは、UNetを通して変形マップを生成する変形ベースのモデルである。 本稿では,画像のマルチレベル情報を組み込んだマルチスケールTPSNを開発し,より正確なセグメンテーション結果を生成する。
  論文  参考訳（メタデータ） (2022-02-27T09:56:33Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Multipath CNN with alpha matte inference for knee tissue segmentation from MRI [2.064612766965483]
  本稿では, 深層学習に基づく膝組織分割のための自動セグメンテーションフレームワークを提案する。 低階テンソル再構成セグメンテーションネットワークとデコーダベースのセグメンテーションネットワークを組み合わせた,新しいマルチパスCNN方式を提案する。 CNNからのセグメンテーションをさらに改善するため、重畳された領域を効果的に活用するトリマップ生成を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:48:47Z)
• Topological Similarity Index and Loss Function for Blood Vessel Segmentation [0.0]
  そこで本研究では,予測されたセグメントの一貫性を基礎的真理に言及した類似度指数を提案する。 また、形態的閉鎖演算子に基づく新しい損失関数を設計し、より位相的に一貫性のあるマスクを生成するディープニューラルネットワークモデルを学習する方法を示す。
  論文  参考訳（メタデータ） (2021-07-30T10:24:47Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Cross-stained Segmentation from Renal Biopsy Images Using Multi-level Adversarial Learning [13.30545860115548]
  クロスステンドセグメンテーションのための堅牢で柔軟なモデルを設計する。 対象の染色画像のセグメンテーション性能を改善し、ラベルなしデータを用いてラベル付きデータと類似の精度を実現する。
  論文  参考訳（メタデータ） (2020-02-20T06:49:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。